基于长短期记忆神经网络的可用停车位预测.docVIP

基于长短期记忆神经网络的可用停车位预测 导语：?可用停车位预测是智能停车诱导系统的关键问题之一。当前基于神经网络的预测技术在较短预测周期内，预测准确度的平均绝对误差在 10 左右，但随着预测步长或周期的增加，预测精度急剧下降。 摘?要?可用停车位预测是智能停车诱导系统的关键问题之一。当前基于神经网络的预测技术在较短预测周期内，预测准确度的平均绝对误差在10左右，但随着预测步长或周期的增加，预测精度急剧下降。针对这一问题，该文提出了一种在中长预测时间周期内可保持数据变化特征的泊位预测方法。该方法使用模糊信息粒化获取特征数据集，通过训练长短期记忆神经网络预测未来的特征数据集，基于数据插值方法重建出整个区间可用停车位的连续变化曲线。仿真结果表明，该方法在相同预测步长的可用车位预测上，比传统预测方法具有更高的预测精度；在保持相近预测精度的条件下，比传统预测方法具有更高的计算效率。 关键词?停车诱导系统；模糊信息粒化；长短期记忆神经网络；三次样条插值 中图分类号?TG156文献标志码?A 1.引言 近年来，随着经济的快速发展，市民使用小汽车的数量也快速上升，这使得大城市停车难的问题越来越严重，同时也加剧了城市交通的拥堵。研究报告显示，拥挤交通中有30%是由寻找停车位的汽车造成[1]。而在寻找车位的同时，也增加了不必要的尾气排放。因此，当前全国各地都在积极开展城市级停车诱导系统的建设工作。停车诱导系统通过给车辆提供停车场位置和可用车位数量等相关信息，帮助车辆快速停车，缓解停车难问题[2-4]。在停车诱导系统中，可用车位预测是非常重要的一部分，车辆需要在距离目的地一定距离时知道：当他到达目的地时，周边停车场可用的车位数量。可用车位预测技术可以避免出现车辆到达停车场入口时才发现满位而无法停放的情况，同时起到引导车辆停往车位更宽松的停车场的作用。显然，可用车位预测是一个典型的时间序列预测问题。当前可以采用自回归积分移动平均模型(AutoregressiveIntegratedMovingAverageModel，ARIMA)、小波神经网络等实现精准的短时预测。但需要指出的是，该类方法的高精度是建立在一个基本条件上，即预测步数量足够少，一般是1～3个预测步长。如果预测步数量增加，那么预测精度将出现大幅下降。由于城市交通环境的复杂性，往往在车辆启动时就需要了解目的地周边当前停车场的可用车位情况，并预测当车辆到达时的可用车位情况。这个时间长度一般会超过30min。如果直接使用当前的预测技术，一般是将预测步的时间周期调整变长，如10min为一个预测步。这样虽然可将30min调整成3个预测步，但由于每10min给出一个预测值，实际上30min仅能给出3个预测值。显然，这个结果严重丢失了该时间区间内更为详细的车位变化特征，对停车诱导系统的诱导精度带来很大的负面影响。 目前对可用停车位的实时预测，常见的方法主要分为两类：一类是以ARIMA为代表的传统时间预测模型[5]，另一类是神经网络预测方法[6,7]。其中，传统时间序列预测模型主要通过将时间序列数据分解，对于不平稳序列则还需要通过差分等手段将非平稳时间序列转换为平稳时间序列，从而实现预测[8,9]。这种预测容易受模型参数的影响，有效性会逐渐降低。神经网络方法主要通过先对海量数据进行迭代训练，再拟合数据特征，进而实现预测。相关研究中，Sun等[10]和Yong等[11]研究通过误差逆向传播算法训练的多层前馈 神经网络模型来预测车位占有率，虽然实现了停车位预测，但鲁棒性差，而且计算时需消耗大量的时间；后来有研究人员[12-14]利用小波神经网络能很好地拟合非线性复杂系统特性，虽对可用停车位进行短期预测，预测速度和稳定性也都得到了很大的提高，但也只是单点预测；Zheng等[15]通过使用回归树、神经网络和支持向量机建立组合模型，实现车位连续变化状态的预测，但随着实时数据的增加，动态组合模型切换运算所付出的时间成本也很昂贵。以上所提到的方法均不能很好地解决可用停车位波动区间预测的问题。其中，大部分方法侧重于点的预测，虽有少部分方法考虑区间范围内的变化与趋势，但计算时间成本也很高。针对这一问题，本文提出了一种预测方法——模糊长短期记忆神经网络(FuzzyLongShort-TermMemoryNetworkPredictionOnParkingSpaces，FLOPS)，可以在较长预测时间周期内保持数据变化特征，并适用于较大时间跨度(＞30min)条件下的高精度预测。该方法由3个主要步骤构成：(1)基于模糊信息粒化(FuzzyInformationGranulation，FIG)方法对停车场历史数据进行海量关键信息提取[1